CN115660413B - 一种用于污染场地地下水的风险管控系统 - Google Patents
一种用于污染场地地下水的风险管控系统 Download PDFInfo
- Publication number
- CN115660413B CN115660413B CN202211265743.2A CN202211265743A CN115660413B CN 115660413 B CN115660413 B CN 115660413B CN 202211265743 A CN202211265743 A CN 202211265743A CN 115660413 B CN115660413 B CN 115660413B
- Authority
- CN
- China
- Prior art keywords
- pollution
- site
- groundwater
- control
- risk management
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Processing Of Solid Wastes (AREA)
Abstract
本发明提供了一种用于污染场地地下水的风险管控系统,属于污染场地风险管控技术领域。系统包括:布设在污染场地内部的数个原位监控与管控装置、风险管控子系统,原位监控与管控装置通过无线网络与风险管控子系统电性连接,风险管控子系统包括:污染趋势分析模块,污染趋势分析模块基于污染趋势预测模型。本发明解决了现有污染场地地下水风险管控方法趋于保守,只能在污染物暴露风险出现后调整管控手段的问题,具有预测污染趋势且能够提供调整后的污染管控手段的优点。
Description
技术领域
本发明涉及污染场地风险管控技术领域,具体是涉及一种用于污染场地地下水的风险管控系统。
背景技术
现有常见的污染场地风险评估过程包括:危害识别、暴露评估、毒性评估、风险表征、确定修复目标值五个步骤。
目前常见的污染场地地下水的风险管控以预防为主、保护优先、风险管控为主体的基本思路,以移除或者清理污染源、阻断污染物迁移途径、切断污染物暴露途径为基本措施,结合源-途径-受体概念模型,通过制度控制和工程控制等手段实施风险管控。
污染场地风险管控常需要配合长期环境监测。长期环境监测可识别污染物对人类和环境的暴露风险,保护修复和风险管控措施的完整性。
虽然长期环境监测能够保证风险管控措施的准确性,但现有污染场地地下水风险管控方法相对被动,只能在污染物的风险出现后调整管控手段,并不能提前对污染趋势和暴露风险进行预测。
发明内容
本发明解决的技术问题是:现有污染场地地下水风险管控方法相对被动,只能在污染物的风险出现后调整管控手段,并不能提前对污染趋势和暴露风险进行预测。
为解决上述问题,本发明的技术方案如下:
一种用于污染场地地下水的风险管控系统,包括:
布设在污染场地内部的数个原位监控与管控装置,原位监控与管控装置用于实时监控污染场地地下水的水质指标并对污染场地地下水进行原位管控,原位监控与管控装置分布位置及密度由当前污染场地区域地下水的污染物浓度/与周边区域的距离决定,
风险管控子系统,风险管控子系统用于根据原位监控与管控装置实时获取的水质指标及定期测定的污染物浓度预测地下水的污染趋势,并根据污染趋势进行预防性风险管控,原位监控与管控装置通过无线网络与风险管控子系统电性连接,风险管控子系统包括:
污染趋势分析模块,污染趋势分析模块基于污染趋势预测模型,污染趋势分析模块用于根据原位监控与管控装置实时获取的水质指标及本阶段测定的污染物浓度预测污染场地下一阶段的污染物浓度,并判断污染场地当前的污染管控手段是否存在风险,当判断污染场地当前的污染管控手段存在风险时,分析污染场地历史数据后输出适用于污染场地的预防性风险管控方法。
进一步地,污染趋势预测模型为LSTM模型,LSTM模型由污染场地历史数据训练得到。
进一步地,污染场地历史数据包括:污染场地数年内的地下水水位、地下水电导率、地下水溶解氧、地下水氧化还原电位、地下水pH值、气象数据、苯系物浓度、氯乙烯浓度、污染管控数据。
进一步地,上述数年为五到十年。
进一步地,污染管控数据包括:污染场地数年内的管控手段、原位管控注射物的单位注射量、注射次数、注射周期。
更进一步地,风险管控子系统还包括:污染物浓度临界值设定模块,污染物浓度临界值设定模块用于设定污染场地各个污染物浓度的风险控制值。
优选地,预防性风险管控方法包括:自然衰减管控方法、加速自然衰减管控方法、地下水原位注射修复方法、地下水原位微生物修复方法。
优选地,阶段的时间跨度包括:3个月、6个月、1年、3年、5年。
优选地,原位监控与管控装置包括:用于通过注射或抽水进行污染管控的注射井,用于获取污染场地地下水数据的实时监测装置。
优选地,实时监测装置包括:用于监测污染场地地下水水位的在线水位监测仪,用于监测污染场地地下水电导率的在线水位电导率监测仪,用于同时监测污染场地地下水水质指标和水位的多指标水质与水位同步监测仪,用于监测污染场地气候环境的气象监测仪。
进一步优选地,污染物包括:苯系物、氯乙烯。
本发明的有益效果是:
(1)本发明通过污染趋势预测模型完成污染场地地下水污染趋势的分析,污染趋势预测模型能够基于实时获取的水质指标及本阶段测定的污染物浓度预测污染场地下一阶段的污染物浓度,并判断污染场地当前的污染管控手段是否存在风险,当判断污染场地当前的污染管控手段存在风险时,分析污染场地历史数据后输出适用于污染场地的预防性风险管控方法,相较于现有技术,更加先进,风险管控效果更好;
(2)本发明的污染趋势预测模基于LSTM模型,LSTM模型能够克服循环神经网络在预测长期序列数据时的局限性,还能够较长时间保存有效信息,在此基础上,将地下水水位、地下水电导率、地下水溶解氧、地下水氧化还原电位、地下水pH值、气象数据、苯系物浓度、氯乙烯浓度、污染管控数据作为LSTM模型输入值,对LSTM模型进行训练,使得得到的LSTM模型在分析时,过往的管控手段能够具有一定的分析比重,相较于现有技术,输入变量选取更加合理、所得预测结果更加贴近现实。
附图说明
图1是实施例1一种用于污染场地地下水的风险管控系统框架图;
图2是实施例1一种用于污染场地地下水的风险管控系统中实时监测装置架构图;
其中,1-原位监控与管控装置、11-注射井、12-实时监测装置、121-在线水位监测仪、122-在线水位电导率监测仪、123-多指标水质与水位同步监测仪、124-气象监测仪、2-风险管控子系统、21-污染趋势分析模块、22-污染物浓度临界值设定模块、23-历史数据管理模块、24-水质指标管理模块、25-数据库。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本发明实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
实施例1
本实施例为一种用于污染场地地下水的风险管控系统,如图1所示,包括:
布设在污染场地内部的三十个原位监控与管控装置1,所述原位监控与管控装置1用于实时监控污染场地地下水的水质指标并对污染场地地下水进行原位管控,原位监控与管控装置1分布位置及密度由当前污染场地区域地下水的污染物浓度/与周边区域的距离决定,原位监控与管控装置1包括:
用于通过注射或抽水进行污染管控的注射井11,用于获取污染场地地下水数据的实时监测装置12,
如图2所示,实时监测装置12包括:用于监测污染场地地下水水位的在线水位监测仪121,用于监测污染场地地下水电导率的在线水位电导率监测仪122,用于同时监测污染场地地下水水质指标和水位的多指标水质与水位同步监测仪123,用于监测污染场地气候环境的气象监测仪124,
风险管控子系统2,所述风险管控子系统2用于根据原位监控与管控装置1实时获取的水质指标及定期测定的污染物浓度预测地下水的污染趋势,并根据污染趋势进行预防性风险管控,原位监控与管控装置1通过无线网络与风险管控子系统2电性连接,污染物包括:苯系物、氯乙烯,风险管控子系统2包括:
污染趋势分析模块21,污染趋势分析模块21基于污染趋势预测模型,污染趋势分析模块21用于根据原位监控与管控装置1实时获取的水质指标及本阶段测定的污染物浓度预测污染场地下一阶段的污染物浓度,并判断污染场地当前的污染管控手段是否存在风险,当判断污染场地当前的污染管控手段存在风险时,分析污染场地历史数据后输出适用于污染场地的预防性风险管控方法,阶段的时间跨度为3个月,此处,污染物浓度的分布单位为每平方公里,
污染物浓度临界值设定模块22,污染物浓度临界值设定模块22用于设定污染场地各个污染物浓度的风险控制值,
历史数据管理模块23,历史数据管理模块23用于管理污染场地历史数据,
水质指标管理模块24,水质指标管理模块24用于管理原位监控与管控装置1实时获取的水质指标,
数据库25,数据库25用于管理风险管控子系统2内所有数据。
其中:
污染趋势预测模型为LSTM模型,所述LSTM模型由污染场地历史数据训练得到。
污染场地历史数据包括:污染场地5年内的地下水水位、地下水电导率、地下水溶解氧、地下水氧化还原电位、地下水pH值、气象数据、苯系物浓度、氯乙烯浓度、污染管控数据。
污染管控数据包括:污染场地5年内的管控手段、原位管控注射物的单位注射量、注射次数、注射周期。
预防性风险管控方法包括:自然衰减管控方法、加速自然衰减管控方法、地下水原位注射修复方法、地下水原位微生物修复方法。
本实施例的应用方法包括以下步骤:
S1、通过污染场地历史数据训练污染趋势预测模型:将地下水水位、地下水电导率、地下水溶解氧、地下水氧化还原电位、地下水pH值、气象数据、苯系物浓度、氯乙烯浓度、污染管控数据作为LSTM模型的输入值,将未来3个月的苯系物浓度、氯乙烯浓度作为LSTM模型的输出值对LSTM模型进行训练,并通过平均绝对误差、平均绝对百分比误差、均方根误差作为LSTM模型的评价指标,当LSTM模型的预测值与实际值的平均绝对误差、平均绝对百分比误差、均方根误差均大于95%,则完成LSTM模型的训练,即污染趋势预测模型,并将污染场地历史数据存入风险管控子系统2的数据库25,污染趋势预测模型迁入风险管控子系统2的污染趋势分析模块21;
S2、布设原位监控与管控装置1:基于污染场地区域地下水的污染物浓度/与周边区域的距离,在污染场地内靠近居民区和公共设施区的区域按照5公里/个的密度设置原位监控与管控装置1,在污染物浓度最高的区域按照3公里/个的密度设置原位监控与管控装置1,并将所有原位监控与管控装置1通过无线网络与风险管控子系统2电性连接;
S3、通过风险管控子系统2的污染物浓度临界值设定模块22设定污染场地各个污染物浓度的风险控制值;
S4、原位监控与管控装置1在启动后实时上传水质指标至风险管控子系统2的水质指标管理模块24,工作人员每3个月测定污染场地的各个污染物浓度上传至历史数据管理模块23;
S5、污染趋势分析模块21根据原位监控与管控装置1实时获取的水质指标及本阶段测定的污染物浓度预测污染场地下一阶段的污染物浓度,并判断污染场地当前的污染管控手段是否存在风险,当判断污染场地当前的污染管控手段存在风险时,分析污染场地历史数据后输出适用于污染场地的预防性风险管控方法,预防性风险管控方法为地下水原位注射修复方法,并给出了原位注射的注射量;
S6、工作人员根据预防性风险管控方法对污染场地进行预防性风险管控,即通过注射井11进行地下水原位注射修复。
实施例2
本实施例一种用于污染场地地下水的风险管控系统,与实施例1的区别之处在于:阶段的时间跨度为6个月。
本实施例的应用方法包括以下步骤:
S1、通过污染场地历史数据训练污染趋势预测模型:将地下水水位、地下水电导率、地下水溶解氧、地下水氧化还原电位、地下水pH值、气象数据、苯系物浓度、氯乙烯浓度、污染管控数据作为LSTM模型的输入值,将未来6个月的苯系物浓度、氯乙烯浓度作为LSTM模型的输出值对LSTM模型进行训练,并通过平均绝对误差、平均绝对百分比误差、均方根误差作为LSTM模型的评价指标,当LSTM模型的预测值与实际值的平均绝对误差、平均绝对百分比误差、均方根误差均大于95%,则完成LSTM模型的训练,即污染趋势预测模型,并将污染场地历史数据存入风险管控子系统2的数据库25,污染趋势预测模型迁入风险管控子系统2的污染趋势分析模块21;
S2、布设原位监控与管控装置1:基于污染场地区域地下水的污染物浓度/与周边区域的距离,在污染场地内靠近居民区和公共设施区的区域按照5公里/个的密度设置原位监控与管控装置1,在污染物浓度最高的区域按照3公里/个的密度设置原位监控与管控装置1,并将所有原位监控与管控装置1通过无线网络与风险管控子系统2电性连接;
S3、通过风险管控子系统2的污染物浓度临界值设定模块22设定污染场地各个污染物浓度的风险控制值;
S4、原位监控与管控装置1在启动后实时上传水质指标至风险管控子系统2的水质指标管理模块24,工作人员每6个月测定污染场地的各个污染物浓度上传至历史数据管理模块23;
S5、污染趋势分析模块21根据原位监控与管控装置1实时获取的水质指标及本阶段测定的污染物浓度预测污染场地下一阶段的污染物浓度,并判断污染场地当前的污染管控手段是否存在风险,判断污染场地当前的污染管控手段不存在风险时,则继续按照原有污染管控手段对污染场地地下水进行风险管控。
实施例3
本实施例一种用于污染场地地下水的风险管控系统,与实施例1的区别之处在于:阶段的时间跨度为1年。
本实施例的应用方法包括以下步骤:
S1、通过污染场地历史数据训练污染趋势预测模型:将地下水水位、地下水电导率、地下水溶解氧、地下水氧化还原电位、地下水pH值、气象数据、苯系物浓度、氯乙烯浓度、污染管控数据作为LSTM模型的输入值,将未来1年的苯系物浓度、氯乙烯浓度作为LSTM模型的输出值对LSTM模型进行训练,并通过平均绝对误差、平均绝对百分比误差、均方根误差作为LSTM模型的评价指标,当LSTM模型的预测值与实际值的平均绝对误差、平均绝对百分比误差、均方根误差均大于95%,则完成LSTM模型的训练,即污染趋势预测模型,并将污染场地历史数据存入风险管控子系统2的数据库25,污染趋势预测模型迁入风险管控子系统2的污染趋势分析模块21;
S2、布设原位监控与管控装置1:基于污染场地区域地下水的污染物浓度/与周边区域的距离,在污染场地内靠近居民区和公共设施区的区域按照5公里/个的密度设置原位监控与管控装置1,在污染物浓度最高的区域按照3公里/个的密度设置原位监控与管控装置1,并将所有原位监控与管控装置1通过无线网络与风险管控子系统2电性连接;
S3、通过风险管控子系统2的污染物浓度临界值设定模块22设定污染场地各个污染物浓度的风险控制值;
S4、原位监控与管控装置1在启动后实时上传水质指标至风险管控子系统2的水质指标管理模块24,工作人员每年测定污染场地的各个污染物浓度上传至历史数据管理模块23;
S5、污染趋势分析模块21根据原位监控与管控装置1实时获取的水质指标及本阶段测定的污染物浓度预测污染场地下一阶段的污染物浓度,并判断污染场地当前的污染管控手段是否存在风险,当判断污染场地当前的污染管控手段存在风险时,分析污染场地历史数据后输出适用于污染场地的预防性风险管控方法,预防性风险管控方法为加速自然衰减管控方法;
S6、工作人员根据预防性风险管控方法对污染场地进行预防性风险管控。
实施例4
本实施例一种用于污染场地地下水的风险管控系统,与实施例1的区别之处在于:阶段的时间跨度为3年。
本实施例的应用方法包括以下步骤:
S1、通过污染场地历史数据训练污染趋势预测模型:将地下水水位、地下水电导率、地下水溶解氧、地下水氧化还原电位、地下水pH值、气象数据、苯系物浓度、氯乙烯浓度、污染管控数据作为LSTM模型的输入值,将未来3年的苯系物浓度、氯乙烯浓度作为LSTM模型的输出值对LSTM模型进行训练,并通过平均绝对误差、平均绝对百分比误差、均方根误差作为LSTM模型的评价指标,当LSTM模型的预测值与实际值的平均绝对误差、平均绝对百分比误差、均方根误差均大于95%,则完成LSTM模型的训练,即污染趋势预测模型,并将污染场地历史数据存入风险管控子系统2的数据库25,污染趋势预测模型迁入风险管控子系统2的污染趋势分析模块21;
S2、布设原位监控与管控装置1:基于污染场地区域地下水的污染物浓度/与周边区域的距离,在污染场地内靠近居民区和公共设施区的区域按照5公里/个的密度设置原位监控与管控装置1,在污染物浓度最高的区域按照3公里/个的密度设置原位监控与管控装置1,并将所有原位监控与管控装置1通过无线网络与风险管控子系统2电性连接;
S3、通过风险管控子系统2的污染物浓度临界值设定模块22设定污染场地各个污染物浓度的风险控制值;
S4、原位监控与管控装置1在启动后实时上传水质指标至风险管控子系统2的水质指标管理模块24,工作人员每3年测定污染场地的各个污染物浓度上传至历史数据管理模块23;
S5、污染趋势分析模块21根据原位监控与管控装置1实时获取的水质指标及本阶段测定的污染物浓度预测污染场地下一阶段的污染物浓度,并判断污染场地当前的污染管控手段是否存在风险,当判断污染场地当前的污染管控手段存在风险时,分析污染场地历史数据后输出适用于污染场地的预防性风险管控方法,预防性风险管控方法为地下水原位微生物修复方法,并给出了原位注射驯化降解菌群的注射量;
S6、工作人员根据预防性风险管控方法对污染场地进行预防性风险管控,并通过注射井11进行地下水原位微生物修复。
实施例5
本实施例一种用于污染场地地下水的风险管控系统,与实施例1的区别之处在于:阶段的时间跨度为5年。
Claims (3)
1.一种用于污染场地地下水的风险管控系统,其特征在于,包括:
布设在污染场地内部的数个原位监控与管控装置(1),所述原位监控与管控装置(1)用于实时监控污染场地地下水的水质指标并对污染场地地下水进行原位管控,原位监控与管控装置(1)分布位置及密度由当前污染场地区域地下水的污染物浓度/与周边区域的距离决定,所述原位监控与管控装置(1)包括:用于通过注射或抽水进行污染管控的注射井(11),用于获取污染场地地下水数据的实时监测装置(12),所述实时监测装置(12)包括:用于监测污染场地地下水水位的在线水位监测仪(121),用于监测污染场地地下水电导率的在线水位电导率监测仪(122),用于同时监测污染场地地下水水质指标和水位的多指标水质与水位同步监测仪(123),用于监测污染场地气候环境的气象监测仪(124),
风险管控子系统(2),所述风险管控子系统(2)用于根据原位监控与管控装置(1)实时获取的水质指标及定期测定的污染物浓度预测地下水的污染趋势,并根据污染趋势进行预防性风险管控,原位监控与管控装置(1)通过无线网络与风险管控子系统(2)电性连接,风险管控子系统(2)包括:
污染趋势分析模块(21),所述污染趋势分析模块(21)基于污染趋势预测模型,污染趋势分析模块(21)用于根据原位监控与管控装置(1)实时获取的水质指标及本阶段测定的污染物浓度预测污染场地下一阶段的污染物浓度,并判断污染场地当前的污染管控手段是否存在风险,当判断污染场地当前的污染管控手段存在风险时,分析污染场地历史数据后输出适用于污染场地的预防性风险管控方法,
所述污染趋势预测模型为LSTM模型,所述LSTM模型由污染场地历史数据训练得到,所述污染场地历史数据包括:污染场地数年内的地下水水位、地下水电导率、地下水溶解氧、地下水氧化还原电位、地下水pH值、气象数据、苯系物浓度、氯乙烯浓度、污染管控数据,
所述污染管控数据包括:污染场地数年内的管控手段、原位管控注射物的单位注射量、注射次数、注射周期,
所述预防性风险管控方法包括:自然衰减管控方法、加速自然衰减管控方法、地下水原位注射修复方法、地下水原位微生物修复方法。
2.如权利要求1所述的一种用于污染场地地下水的风险管控系统,其特征在于,所述风险管控子系统(2)还包括:污染物浓度临界值设定模块(22),所述污染物浓度临界值设定模块(22)用于设定污染场地各个污染物浓度的风险控制值。
3.如权利要求1所述的一种用于污染场地地下水的风险管控系统,其特征在于,所述阶段的时间跨度包括:3个月、6个月、1年、3年、5年。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211265743.2A CN115660413B (zh) | 2022-10-17 | 2022-10-17 | 一种用于污染场地地下水的风险管控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211265743.2A CN115660413B (zh) | 2022-10-17 | 2022-10-17 | 一种用于污染场地地下水的风险管控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115660413A CN115660413A (zh) | 2023-01-31 |
CN115660413B true CN115660413B (zh) | 2023-05-23 |
Family
ID=84986917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211265743.2A Active CN115660413B (zh) | 2022-10-17 | 2022-10-17 | 一种用于污染场地地下水的风险管控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660413B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050951B (zh) * | 2023-04-03 | 2023-08-11 | 云南碧翔物联网科技有限公司 | 一种基于数据分析模型的污染监测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11964882B2 (en) * | 2019-12-12 | 2024-04-23 | Sung Kook Cho | IoT-based system for measurement of contamination distribution of contaminated groundwater through real-time monitoring of contamination degree of contaminated groundwater well for control of contaminated groundwater purification device and prediction of purification period based on measurement result |
CN113772804B (zh) * | 2021-09-15 | 2022-09-16 | 宝航环境修复有限公司 | 地下水污染监测自然衰减修复预测方法、系统及装置 |
CN114354786A (zh) * | 2021-12-25 | 2022-04-15 | 生态环境部南京环境科学研究所 | 基于污染羽分析污染场地地下水苯系物空间分布的方法 |
CN114671523B (zh) * | 2021-12-31 | 2024-06-04 | 广东长天思源环保科技股份有限公司 | 一种基于预测控制的污水处理节能方法 |
CN114660254B (zh) * | 2022-04-01 | 2023-06-30 | 中国地质调查局水文地质环境地质调查中心 | 地下水污染物浓度预测方法 |
-
2022
- 2022-10-17 CN CN202211265743.2A patent/CN115660413B/zh active Active
Non-Patent Citations (2)
Title |
---|
Assessing the environmental impacts and costs of biochar and monitored natural attenuation for groundwater heavily contaminated with volatile organic compounds;Da Ding etc.;Science of the Total Environment;第1-12页 * |
Prediction of Dichloroethene Concentration in the Groundwater of a Contaminated Site Using XGBoost and LSTM;Feiyang Xia.etc;International Journal of Environmental Research and Public Health;第1-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115660413A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
CN106017551A (zh) | 一种智能化输电线路综合监测分析预警方法 | |
CN114371260A (zh) | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN115660413B (zh) | 一种用于污染场地地下水的风险管控系统 | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
Marović et al. | Development of ANN model for wind speed prediction as a support for early warning system | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
CN116757303A (zh) | 一种沉降预测方法、系统和设备 | |
CN117893016A (zh) | 尾矿库溃坝灾情风险快速评估方法及系统 | |
CN117498559A (zh) | 配电网低电压预警分析方法及系统 | |
CN111027827A (zh) | 保底通信网运行风险分析的方法、装置及计算机设备 | |
CN107220921B (zh) | 一种对能耗在线监测系统所采集数据的验证方法 | |
CN114662894A (zh) | 城市内涝预警方法、装置、设备及存储介质 | |
CN111445036A (zh) | 光伏电站清洗频率的动态调整方法及存储介质 | |
CN116522166B (zh) | 一种基于大数据的空气污染监测系统 | |
Asadollahfardi et al. | Air pollution study using factor analysis and univariate Box-Jenkins modeling for the northwest of Tehran | |
CN116976046B (zh) | 基于管网追踪的污水监控方法及系统 | |
CN117113267B (zh) | 基于大数据的预测模型训练方法、光伏发电性能检测方法 | |
CN117172990B (zh) | 一种地下水环境中抗生素污染迁移预测方法及系统 | |
CN117291432B (zh) | 一种基于人工智能的水资源调度监测系统 | |
CN117079494B (zh) | 一种基于区块链的地下车库智能管理系统 | |
CN116502896B (zh) | 一种基于bim+gis技术的泵站智能控制方法及系统 | |
CN117970527B (zh) | 一种大气污染物的组网溯源监测方法及系统 | |
CN118258444A (zh) | 一种基于区域联网的污水动态预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |